تواجه نمذجة المستخدمين تحديات كبيرة، خصوصًا عندما يتعلق الأمر بمليارات المستخدمين ذوي النشاط المنخفض الذين يفتقرون إلى سجلات تفاعلية غنية. هنا يأتي دور ScaleToT، النظام المبتكر الذي يعد بالكثير لمحترفي التسويق والإعلان.

يعتمد نموذج ScaleToT على نماذج اللغة الكبيرة (Large Language Models) في استنتاج الحالات الخفية للمستخدمين من ملفاتهم الشخصية الثابتة. ومع ذلك، كانت هذه العملية تواجه مشكلات عندما تكون البيانات غير كافية.

استخدم الباحثون في ScaleToT مجموعة فرعية صغيرة معالجة بواسطة نموذج لغة كبير لتعلم الطريقة الهيكلية في التفكير، ثم وسعوه ليشمل مجموعة أوسع من المستخدمين ذوي النشاط المنخفض. هذه التقنية تعتمد على إنشاء سلاسل حالات مستخدم مزودة بإجراء تحسينات مبنية على شجرة الأفكار (Tree-of-Thought) مدعومة بمعلومات مدروسة.

من المؤكد أن هذه الخطوات تجعل التعلم تحت إشراف التعليمات (Supervised Fine-Tuning) أكثر قدرة على الاستفادة من المعلومات المحدودة المتاحة، مما يعزز قدرة النظام على اتخاذ قرارات موثوقة.

تم اختبار ScaleToT في بيئات إعلانية ضخمة، حيث أظهرت الاختبارات زيادة ملحوظة بنسبة 6.738% في القيمة العمرية للمستخدم على مدى 30 يومًا. كما أن التكلفة التشغيلية كانت أقل بكثير مقارنة بالطرق التقليدية، حيث تمت تغطية 7.32% فقط من السكان المستهدفين في التحليل غير المتصل.

بهذه الطريقة، يبدو أن ScaleToT يمكن أن يحدث ثورة في طريقة فهمنا لأداء المعلنين وكيفية تحليل المستخدمين ذوي النشاط المنخفض. هل أنتم مستعدون لاستكشاف المزيد عن إمكانيات هذه التقنية؟ شاركونا آراءكم!